html - awk 多行非贪婪匹配解决方法

Question

我正在尝试使用 awk 提取 HTML 列表的内容。
一些列表条目是多行的。
示例输入列表:

<ul>
    <li>
        <b>2021-07-21:</b> Lorem ipsum 
    </li>
    <li>
        <b>2021-07-19:</b> Lorem ipsum 
    </li>
    <li><b>2021-07-10:</b> Lorem ipsum</li>
</ul>

我正在使用的命令:

awk -v RS="" '{match($0, /<li>(.+)<\/li>/, entry); print entry[1]}' file.html

电流输出:

        <b>2021-07-21:</b> Lorem ipsum 
    </li>
    <li>
        <b>2021-07-19:</b> Lorem ipsum 
    </li>
    <li><b>2021-07-10:</b> Lorem ipsum

期望的输出:

        <b>2021-07-21:</b> Lorem ipsum 
        <b>2021-07-19:</b> Lorem ipsum 
    <b>2021-07-10:</b> Lorem ipsum

我知道问题是因为列表条目没有用空行分隔。
我想过使用非贪婪匹配，但显然 awk 不支持它。
有可能的解决方法吗？

Answer 1

使用用于多字符 RS 的 GNU awk 和 \s [[:space:]] 的简写:

$ awk -v RS='\\s*</?li>\\s*' '!(NR%2)' file
<b>2021-07-21:</b> Lorem ipsum
<b>2021-07-19:</b> Lorem ipsum
<b>2021-07-10:</b> Lorem ipsum

我假设您要么真的不希望在您的问题的预期输出中显示前导空白，要么您不在乎它是否存在。